控制与决策

作者：韩红桂,徐子昂,王晶晶

单位：北京工业大学 信息学部,北京 100124;计算智能与智能系统北京市重点实验室,北京 100124,,北京工业大学 信息学部,北京 100124;计算智能与智能系统北京市重点实验室,北京 100124,,北京工业大学 信息学部,北京 100124;计算智能与智能系统北京市重点实验室,北京 100124,

关键词：多任务多目标优化;粒子群优化;知识迁移;\emphQ学习

基金：国家自然科学基金项目(62125301,61890930-5,61903010,62021003)；国家重点研发计划项目(2022YFB3305800-5,2018YFC1900800-5)；北京市教育委员会科技计划重点项目(KZ202110005009)；北京高校卓越青年科学家项目(BJJWZYJH01201910005020)；青年北京学者项目(037).

多任务粒子群优化算法(multi-task particle swarm ptimization,MTPSO)通过知识迁移学习,具有快速收敛能力,广泛应用于求解多任务多目标优化问题.然而,MTPSO难以根据种群进化状态自适应调整优化过程,容易陷入局部最优,收敛性能较差.针对此问题,利用强化学习的自我进化与预测能力,提出一种基于Q学习的多任务多目标粒子群优化算法(QM²PSO).首先,设计粒子群参数动态更新方法,利用Q学习方法在线更新粒子群算法的惯性权重和加速度参数,提高当前粒子收敛到Pareto前沿的能力;其次,提出基于柯西分布的突变搜索策略,通过全局和局部交替搜索多任务最优解,避免算法陷入局部最优;最后,设计基于正向迁移准则的知识迁移方法,采用Q学习方法更新知识迁移率,改善知识负迁移现象.与已有经典算法的对比实验结果表明所提出的$QM^2$PSO算法具有更优越的收敛性.

来源：2023年第11期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第11期